CAF - Inteligencia artificial y energía. Una visión general de las prácticas emergentes

Inteligencia artificial y energía: una visión general de las prácticas emergentes2

INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES TÍTULO Inteligencia artificial y energía: una visión general de prácticas emergentes EDITOR CAF – banco de desarrollo de América Latina y el Caribe –

PRESIDENCIA EJECUTIVA

Sergio Díaz-Granados, Presidente Ejecutivo

VICEPRESIDENCIA CORPORATIVA DE PROGRAMACIÓN ESTRATÉGICA

Christian Asinelli, Vicepresidente

GERENCIA DE INFRAESTRUCTURA PARA EL DESARROLLO

Ángel Cárdenas, Gerente

DIRECCIÓN DE TRANSFORMACIÓN DIGITAL Y SERVICIOS AL

CIUDADANO

Javier Sánchez, Director

DIRECCIÓN DE ENERGÍA, GAS Y MINERÍA ESTRATÉGICA

Sandra Conde, Directora

AUTORAS

Natalia González Alarcón y Cristina Martínez Pinto, Stimson Fellows

EQUIPO CAF

Enrique Zapata, Juan Ríos, Sofía Lalinde, Catalina Corredor y Marcelo Facchina

EQUIPO MICROSOFT

Daniel Korn, Andrés Rengifo

GESTIÓN EDITORIAL

Dirección de Comunicación Estratégica DISEÑO GRÁFICO holasimple.com Este documento fue traducido del inglés con Microsoft CoPilot. El logotipo de Microsoft es una marca comercial registrada de Microsoft Corporation y se usa aquí con permiso. El uso del logotipo no implica ninguna afiliación o respaldo por parte de Microsoft de todo o parte de dicho contenido. Todos los derechos reservados. © Copyright © 2025 Corporación Andina de Fomento. Esta publicación está sujeta a la Licencia Creative Commons Atribución-No Comercial-Sin Derivadas 4.0 Internacional

todo o parte de dicho contenido. Todos los derechos reservados. © Copyright © 2025 Corporación Andina de Fomento. Esta publicación está sujeta a la Licencia Creative Commons Atribución-No Comercial-Sin Derivadas 4.0 Internacional (CC BY-NC-ND 4.0). Para ver una copia de esta licencia, visite https://creativecommons.org/licenses/by-nc-nd/4.0. Las ideas y planteamientos contenidos en esta edición son responsabilidad exclusiva de las autoras y no comprometen la posición oficial de CAF. Los términos utilizados y la presentación de los datos que aquí aparecen no implican posición alguna por parte de CAF respecto al estatus legal de países, territorios, ciudades o regiones, ni con respecto a sus autoridades, fronteras o límites.INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

3 Prólogo El mundo está atravesando una transformación profunda impulsada por la convergencia de tres fuerzas definitorias: la crisis climática, el aumento de la desigualdad y el rápido cambio tecnológico. En América Latina y el Caribe, esta dinámica se cruza con la triple transición —verde, digital y energética— con especial énfasis en la promoción del desarrollo humano. En este contexto, la inteligencia artificial (IA) ha surgido como una de las herramientas más disruptivas y prometedoras de nuestro tiempo. Su influencia ya es evidente en el sector energético, donde permite pronósticos de demanda más precisos, mejora la integración de fuentes renovables y reduce las pérdidas en la transmisión. Sin embargo, estos avances traen consigo desafíos complejos: desde el uso de estrategias de IA como habilitadoras de políticas industriales y productivas más amplias y el uso ético de la IA, hasta riesgos de ciberseguridad y la búsqueda del equilibrio entre la necesidad de computación de alto rendimiento y energía limpia en la región. Para América Latina y el Caribe, una región rica en recursos renovables —desde los corredores solares en el norte hasta las vastas reservas hidroeléctricas en el sur— la IA ofrece un camino hacia un futuro energético más limpio, eficiente e inclusivo. Esta visión está estrechamente vinculada a la “triple transición” —verde, digital y energética— que la región debe afrontar simultáneamente, con el desarrollo humano en el centro. Concretar este potencial exige superar brechas de infraestructura, garantizar financiamiento a gran escala, enfrentar limitaciones institucionales y mitigar el riesgo de aumentar la desigualdad si la adopción es desigual. Por ello, CAF – banco de desarrollo de América Latina y el Caribe – y Microsoft han unido fuerzas para patrocinar este informe. Agradecemos a los Fellows de Stimson por la autoría de la publicación y por toda la investigación de apoyo. Nuestro objetivo común es combinar experiencia técnica, conocimiento regional y mejores prácticas globales para ayudar a gobiernos, empresas y comunidades a aprovechar la IA en la transformación energética, alineándola con las prioridades climáticas y sociales. A través de este informe, buscamos proporcionar a los responsables de la toma de decisiones ideas, ejemplos

des a aprovechar la IA en la transformación energética, alineándola con las prioridades climáticas y sociales. A través de este informe, buscamos proporcionar a los responsables de la toma de decisiones ideas, ejemplos regionales y recomendaciones prácticas que orienten el uso responsable de la IA en el sector energético. Esta publicación pretende servir a formuladores de políticas, líderes de la industria, investigadores y profesionales que deseen comprender no solo el papel transformador de la IA en la energía, sino también cómo implementarla de manera que refleje los valores y prioridades de la región. Al combinar innovación tecnológica con gobernanza sólida y colaboración intersectorial, América Latina y el Caribe pueden aprovechar la IA para construir un futuro energético más limpio, inteligente y equitativo. La estrategia regional de IA de CAF sustenta esta visión. A través de iniciativas como la Cumbre Ministerial sobre IA de América Latina y el Caribe (CAF–UNESCO), la hoja de ruta regional para una IA ética y el apoyo a la gobernanza de la computación de alto rendimiento, CAF trabaja para garantizar que la adopción de la IA —especialmente en sectores como energía— sea un catalizador para el desarrollo sostenible y la inclusión social. Este informe no es solo un reflejo de las oportunidades actuales, sino también una piedra angular del compromiso más amplio de CAF para posicionar a la región a la vanguardia de la adopción responsable y transformadora de la IA, anclada en una transición energética justa que equilibre la protección ambiental con la inclusión social. SERGIO DÍAZ-GRANADOS Presidente Ejecutivo CAF –banco de desarrollo de

vanguardia de la adopción responsable y transformadora de la IA, anclada en una transición energética justa que equilibre la protección ambiental con la inclusión social. SERGIO DÍAZ-GRANADOS Presidente Ejecutivo CAF –banco de desarrollo de América Latina y el Caribe –INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

4 ÍNDICE Abstracto

1. Introducción

2. Conceptos emergentes Definiciones principales Pilares técnicos Dimensiones sociotécnicas

3. Tendencias en IA y energía 3.1. IA para la optimización energética: evolución de las capacidades y límites 3.2. Efectos de la IA en el consumo de energía: nueva demanda 3.3. Balance de emisiones netas de la IA: aumentos vs. disminuciones 3.4. Energía verde: cambios de paradigma 3.5. Centros de datos: una nueva agenda público-privada 3.6. Participación comunitaria: oportunidades para el desarrollo local sostenible

4. Recomendaciones y futuras orientaciones de la investigación Recomendaciones de políticas y prácticas Futuras direcciones de investigación

Referencias 05 06 08

12

21

265

INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES Abstracto La inteligencia artificial (IA) está remodelando los sistemas eléctricos, optimizando la producción y el rendimiento de las redes, al tiempo que impulsa una nueva demanda de electricidad a través de centros de datos que ejecutan modelos generativos. Como facilitador de la descarbonización, y como fuente de aumento en el uso

mas eléctricos, optimizando la producción y el rendimiento de las redes, al tiempo que impulsa una nueva demanda de electricidad a través de centros de datos que ejecutan modelos generativos. Como facilitador de la descarbonización, y como fuente de aumento en el uso de energía, la IA crea oportunidades para la eficiencia y la inclusión, pero también aumenta los riesgos sociotécnicos relacionados con el aumento del consumo de electricidad y las brechas de gobernanza. Este informe de políticas examina estas dinámicas duales y las tendencias emergentes en toda la cadena de valor de la energía, con un enfoque en América Latina y el Caribe. Concluye con recomendaciones de políticas para alinear el despliegue de la IA con los objetivos climáticos, la equidad y las transiciones energéticas sostenibles.6

INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

Introducción

01INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

7

1. Introducción El sector energético mundial está experimentando una profunda transformación impulsada por cuatro desafíos interconectados: el cambio climático, la desigualdad energética, la electrificación de toda la economía (transporte, calefacción, industria) y las crecientes demandas energéticas de la inteligencia artificial (IA). Estas fuerzas están remodelando no solo la forma en que se produce, distribuye y consume la energía, sino también la forma en que se gobiernan los sistemas tecnológicos con respecto a la sostenibilidad ambiental y la equidad social.

La IA ofrece enormes promesas para optimizar los

distribuye y consume la energía, sino también la forma en que se gobiernan los sistemas tecnológicos con respecto a la sostenibilidad ambiental y la equidad social. La IA ofrece enormes promesas para optimizar los sistemas energéticos, acelerar la descarbonización y apoyar el acceso inclusivo a la energía. Sin embargo, las crecientes demandas de electricidad de la infraestructura de IA, desde centros de datos, modelos generativos y computación en la nube, están ejerciendo nuevas presiones sobre las redes eléctricas y aumentando el consumo. A fin de enmarcar el análisis que sigue, este informe de políticas adopta una visión integral de la cadena de valor de la energía, un marco conceptual ampliamente utilizado en el sector energético para mapear las fases interconectadas de los sistemas energéticos. Según Luo et al. (2024), la cadena de valor de la energía abarca tres segmentos principales: upstream, midstream y downstream. Este marco admite un análisis sistemático de có - mo la IA se cruza con cada etapa, optimizando la producción, mejorando el rendimiento de la red e introduciendo nuevas formas de demanda. Este informe de políticas examina los aspectos sociotécnicos y de gobernanza de esta integración, centrándose en las implicaciones para las economías emergentes, particularmente las de América Latina y el Caribe (ALC). Analiza el doble papel de la IA como herramienta para optimizar el sistema energético, como motor nuevos consumos, y destaca paradigmas emergentes, casos de uso regionales y marcos de políticas. El informe concluye con consideraciones clave para aprovechar la IA de manera responsable en el sector energético, junto

para optimizar el sistema energético, como motor nuevos consumos, y destaca paradigmas emergentes, casos de uso regionales y marcos de políticas. El informe concluye con consideraciones clave para aprovechar la IA de manera responsable en el sector energético, junto con recomendaciones para promover la transparencia, alinear la infraestructura digital con los objetivos climáticos y garantizar que los beneficios de la IA en los sistemas energéticos se distribuyan de manera equitativa. UPSTREAM Exploración y extracción de recursos MIDSTREAM Conversión, procesamiento y almacenamiento de energía DOWNSTREAM Conversión, procesamiento y almacenamiento de energía Fuente: Elaboración propia con base en Luo et al. (2024)8

INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES Conceptos emergentes

02INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

9 La integración de la IA en los sistemas energéticos está impulsando un conjunto más amplio de tendencias que combinan la innovación técnica con consideraciones ambientales y sociales. Esta sección describe las definiciones clave, los pilares técnicos y las dimensiones sociotécnicas que sirven como base conceptual para este informe de políticas.

Definiciones principales • IA para la descarbonización: una aplicación estratégica de la IA para reducir las emisiones de carbono en toda la cadena de valor de la energía. Incluye la optimización de la integración de las energías renovables, la reducción de los residuos en la producción, distribución y uso de la energía, así como la habilitación de procesos industriales

carbono en toda la cadena de valor de la energía. Incluye la optimización de la integración de las energías renovables, la reducción de los residuos en la producción, distribución y uso de la energía, así como la habilitación de procesos industriales más eficientes (AIE, Análisis de energía e IA, 2024; Microsoft, Manual de IA para la sostenibilidad). • Justicia energética: un marco que busca garantizar el acceso equitativo a tecnologías de energía limpia, enfatizando la participación, el reconocimiento y la distribución justa de beneficios y cargas. Los sistemas de IA deben diseñarse para promover la inclusión y evitar reforzar las desigualdades existentes (Informe Mundial sobre Competencias Verdes, 2024). • IA positiva para la naturaleza: un paradigma emergente que alinea el desarrollo y la implementación de la IA con los objetivos de biodiversidad y regeneración ecológica. Este concepto “positivo para la naturaleza” tiene como objetivo detener y revertir la pérdida de naturaleza para 2030. (Lambertini, 2023). La UNESCO está elaborando su primer conjunto de herramientas de IA positiva para la naturaleza, dirigido a los responsables de la formulación de políticas, que se publicará en diciembre de 2025. • Energía verde: fuentes de energía renovables y bajas en carbono (por ejemplo, solar, eólica, geotérmica) respaldadas por IA para mejorar la previsión, la eficiencia y la integración en las redes nacionales (AIE, World Energy Outlook, 2024 y 2025). Pilares técnicos El papel operativo de la IA en el sector energético está determinado por una variedad de tecnologías.

la eficiencia y la integración en las redes nacionales (AIE, World Energy Outlook, 2024 y 2025). Pilares técnicos El papel operativo de la IA en el sector energético está determinado por una variedad de tecnologías. • Smart Grids: sistemas dinámicos de distribución de energía basados en datos mejorados por IA para la toma de decisiones en tiempo real y la gestión adaptativa de la carga (IEA, Energy and AI – Analy2. Conceptos

emergentesINTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES 10 sis, 2024). La IA en las redes inteligentes aprovecha el aprendizaje por refuerzo para equilibrar la oferta y la demanda en tiempo real, mientras que las redes neuronales gráficas capturan la complejidad de las topologías de la red para predecir fallas en cascada. A objeto de abordar la confidencialidad de los datos entre las empresas de servicios pú - blicos, el aprendizaje federado se utiliza cada vez más para entrenar modelos de forma colaborativa sin centralizar los datos. Juntos, estos métodos permiten sistemas de distribución de energía más adaptables, seguros y que preservan la privacidad. • Mantenimiento predictivo: diagnósticos habilitados por IA que anticipan fallas de equipos en la infraestructura energética, reduciendo el tiempo de inactividad y los costos de mantenimiento (IBM, Future of AI & Energy Efficiency). Para el mantenimiento predictivo, los modelos de aprendizaje profundo, como las redes neuronales convolucionales y recurrentes, se aplican a los datos de los sensores para detectar anomalías y anticipar fallas antes de que

re of AI & Energy Efficiency). Para el mantenimiento predictivo, los modelos de aprendizaje profundo, como las redes neuronales convolucionales y recurrentes, se aplican a los datos de los sensores para detectar anomalías y anticipar fallas antes de que ocurran. Los enfoques bayesianos agregan razonamiento probabilístico para tener en cuenta la incertidumbre en las condiciones operativas, mientras que el aprendizaje por transferencia permite aplicar información de un tipo de activo a otro con datos de fallas limitados. Estas técnicas reducen colectivamente el tiempo de inactividad y mejoran la confiabilidad en toda la infraestructura energética. • Gemelos digitales: réplicas virtuales de activos o sistemas energéticos que permiten la simulación, la optimización del rendimiento y el análisis de escenarios (Microsoft, AI for Sustainability Playbook). Los métodos de IA para gemelos digitales combinan redes neuronales informadas por la física con el aprendizaje automático, combinando modelos teóricos con datos empíricos para crear réplicas virtuales de activos de alta precisión. La IA generativa amplía aún más las capacidades al simular una amplia gama de posibles escenarios operativos, incluidas condiciones raras o extremas, mientras que los algoritmos de optimización ayudan a refinar el rendimiento del sistema en tiempo real. Por lo tanto, los gemelos digitales se convierten en sistemas “vivos” en constante evolución para las operaciones energéticas. • Prosumidores y microrredes: modelos descentralizados en los que los consumidores también generan energía (por ejemplo, a través de la energía solar en los tejados) y contribuyen a sistemas de red localitante evolución para las operaciones energéticas. • Prosumidores y microrredes: modelos descentralizados en los que los consumidores también generan energía (por ejemplo, a través de la energía solar en los tejados) y contribuyen a sistemas de red localizados y gestionados por IA (Oxford TIDE, 2025). La IA en los sistemas de prosumidor y microrred a menudo se basa en modelos multiagente, donde cada generador doméstico o local se representa como un agente que negocia los flujos de energía. Las tecnologías blockchain combinadas con la IA proporcionan transacciones energéticas entre pares seguras y transparentes, mientras que los modelos de pronóstico avanzados integran datos meteorológicos y de demanda para optimizar la generación y el almacenamiento locales. Esta combinación respalda redes energéticas más resistentes, descentralizadas e impulsadas por la comunidad.INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

11 Dimensiones sociotécnicas El despliegue de la IA en los sistemas energéticos plantea importantes cuestiones éticas y de gobernanza. • Principios éticos: los marcos de IA responsable requieren transparencia, equidad y supervisión humana en los sistemas de IA relacionados con la energía (recomendación de la UNESCO sobre la ética de la IA, citada en varios informes de políticas globales). • Responsabilidad algorítmica: en el contexto energético, esto significa garantizar que las decisiones automatizadas, como la priorización de la carga, la detección de fallas o la respuesta a los cortes, sean explicables, auditables y no marginen inadvertida-

• Responsabilidad algorítmica: en el contexto energético, esto significa garantizar que las decisiones automatizadas, como la priorización de la carga, la detección de fallas o la respuesta a los cortes, sean explicables, auditables y no marginen inadvertidamente a las comunidades vulnerables (The Maybe, Where Cloud Meets Cement, 2025; Microsoft, Manual de IA para la sostenibilidad). Los esfuerzos recientes por mejorar la rendición de cuentas también incluyen el desarrollo de estándares para informar sobre el consumo de energía y la huella de carbono de los modelos de IA. Por ejemplo, Hugging Face y sus colaboradores crearon la tabla de clasificación AI Energy Score, que clasifica los modelos de IA en función del uso de energía estimado y las emisiones de gases de efecto invernadero en las etapas del ciclo de vida. Esta iniciativa de transparencia promueve la innovación responsable al ayudar a los desarrolladores, responsables políticos y usuarios a comprender mejor los costes medioambientales del despliegue de la IA (Lacoste et al., 2024).12

INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES Tendencias en IA y energía

03INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

13 Comprender el papel creciente de la IA en toda la cadena de valor de la energía, desde la extracción de recursos (upstream) y la transformación y el transporte de energía (midstream) hasta la distribución y el consumo (downstream), es fundamental para guiar las transiciones energéticas sostenibles. El enfoque de la cadena de

sos (upstream) y la transformación y el transporte de energía (midstream) hasta la distribución y el consumo (downstream), es fundamental para guiar las transiciones energéticas sostenibles. El enfoque de la cadena de valor permite una evaluación integral de la sostenibilidad y la eficiencia en todas las etapas de la producción y el uso de la energía (Rojek et al., 2025). Esta perspectiva integrada es esencial para identificar oportunidades y riesgos asociados con la implementación de la IA, particularmente en el contexto de la región de ALC. La IA es una tecnología amplia y transversal que desempeña un papel fundamental como facilitador de la transformación del sistema energético, abordando las complejidades en la planificación, operación y optimización del sistema eléctrico al tiempo que respalda la electrificación. La electrificación, que permite que las tareas pasen de la quema de combustibles fósiles al uso de electricidad, es clave para la transición energética, ya que mejora la eficiencia y desbloquea un mayor uso de fuentes de energía verde. La IA puede acelerar y expandir la electrificación en el transporte, la industria y los bienes raíces. Una revisión de más de 250.000 publicaciones sobre aplicaciones de IA en el sector energético entre 1982 y 2022 muestra un uso significativo en todos los segmentos de la cadena de valor de la energía, con la mayor parte relacionada con la energía minorista (downstream, 55 %), seguida de las redes de transmisión (midstream, 14 %) y la generación de energía (upstream, 13 %) (Heymann et al., 2024). Construyendo sobre estas tendencias, esta sección proporciona una visión general de los paradigmas

transmisión (midstream, 14 %) y la generación de energía (upstream, 13 %) (Heymann et al., 2024). Construyendo sobre estas tendencias, esta sección proporciona una visión general de los paradigmas emergentes, los casos de uso regionales y las consideraciones sociotécnicas clave. Basado en estudios recientes, estimaciones disponibles y experiencias prácticas en ALC, destaca el potencial transformador de implementar IA en toda la cadena de valor de la energía, así como los desafíos que conlleva. 3.1. IA para la optimización energética: evolución de las capacidades y límites Las tecnologías impulsadas por IA están revolucionando la optimización energética a través de análisis predictivos, monitoreo en tiempo real y sistemas dinámicos de respuesta a la demanda. Estas herramientas aumentan la eficiencia operativa, la confiabilidad, la resiliencia y la rentabilidad (Biswas et al., 2024). También permiten sistemas de monitoreo de energía en tiempo real, que son esenciales para rastrear y controlar de manera efectiva el uso de energía, reducir costos y mitigar el impacto ambiental (Mischos et al., 2023).

3. Tendencias

en IA y energíaINTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

14 En contextos urbanos, la IA se aplica cada vez más a los sistemas energéticos de las ciudades inteligentes. Rojek et al. (2025) muestran que los algoritmos avanzados de aprendizaje profundo pueden mejorar la eficiencia energética urbana mediante el análisis de datos de sensores para predecir la demanda y equilibrar las cargas

jek et al. (2025) muestran que los algoritmos avanzados de aprendizaje profundo pueden mejorar la eficiencia energética urbana mediante el análisis de datos de sensores para predecir la demanda y equilibrar las cargas de energía, lo cual es fundamental para el desarrollo urbano sostenible. En América Latina, los modelos de pronóstico basados en IA ya informan las decisiones sobre inversiones y operaciones de la red, reduciendo la reducción de energía renovable y mejorando la estabilidad de la red, como lo demuestra el sistema de red inteligente de Chile (AIE, Energía e IA, 2025). A nivel de infraestructura, las empresas están aprovechando la IA para aumentar la eficiencia operativa. Por ejemplo, DeepMind de Google redujo el uso de energía de enfriamiento del centro de datos en un 40 % mediante la aplicación de aprendizaje de refuerzo profundo para optimizar el rendimiento del sistema. El sistema de IA de Google, entrenado con datos operativos históricos, analizó continuamente las condiciones ambientales y energéticas para recomendar ajustes en tiempo real a la configuración de enfriamiento (Melguizo et al., 2025; Evans y Gao, 2016). La IA también respalda las mejoras en el rendimiento de la red, incluida la previsión de la demanda en tiempo real, la detección de fallas y la estabilización de la red, que son esenciales para administrar fuentes de energía descentralizadas y renovables (AIE, World Energy Investment, 2025). A pesar de estos avances, persisten desafíos, incluida la adopción desigual de la IA debido a una infraestructura digital inadecuada, la mala calidad de los datos y la limitada experiencia regional. Estas limitaciones

A pesar de estos avances, persisten desafíos, incluida la adopción desigual de la IA debido a una infraestructura digital inadecuada, la mala calidad de los datos y la limitada experiencia regional. Estas limitaciones ponen de relieve la necesidad de inversiones específicas en tecnología y creación de capacidad. Desde una perspectiva regulatoria, los marcos están cambiando a incentivos basados en el desempeño que recompensan la optimización de la red, aumentando la eficiencia y la confiabilidad, y reduciendo las pérdidas, que son fundamentales para el despliegue efectivo y equitativo de la IA (AIE, World Energy Investment, 2025). En este panorama cambiante, la IA está emergiendo como un facilitador del cumplimiento regulatorio. Los algoritmos avanzados pueden incorporar requisitos de políticas, como estándares de cartera renovable, precios del carbono y mandatos de confiabilidad, directamente en la toma de decisiones operativas. Por ejemplo, estudios recientes muestran que NSGA-III, un algoritmo multiobjetivo diseñado para equilibrar las compensaciones entre la eficiencia económica, la flexibilidad de la red y los estándares regulatorios, puede ayudar a los operadores a navegar por estos objetivos a menudo contrapuestos (Ding et al., 2025). Al incorporar restricciones regulatorias en los modelos de optimización, en lugar de tratarlos como ajustes posteriores a la implementación, la IA alinea las ganancias de eficiencia con los objetivos de política pública, fortaleciendo la rendición de cuentas y acelerando la transición energética.INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN

GENERAL DE LAS PRÁCTICAS EMERGENTES

15

de política pública, fortaleciendo la rendición de cuentas y acelerando la transición energética.INTELIGENCIA ARTIFICIAL Y ENERGÍA: UNA VISIÓN GENERAL DE LAS PRÁCTICAS EMERGENTES 15 3.2. Efectos de la IA en el consumo de energía: nueva demanda Si bien la IA tiene un potencial significativo para optimizar los sistemas energéticos, su rápida expansión también está generando una nueva demanda sustancial de electricidad, lo que plantea preguntas importantes sobre el impacto neto de la IA en la sostenibilidad. Cuantificar qué parte de esta demanda de electricidad es atribuible a los sistemas de IA sigue siendo difícil, ya que la mayor parte del consumo de energía relacionado con la IA se produce hoy en día en grandes centros de datos en la nube y a hiperescala, donde se lleva a cabo el entrenamiento y la inferencia de modelos (Kaack et al., 2022). Dado el rápido crecimiento del poder computacional necesario para el entrenamiento, los centros de datos que albergan inteligencias artificiales a gran escala plantean importantes retos a la demanda de energía y a la planificación de la infraestructura, así como a los responsables políticos que buscan adaptarse al aumento del consumo y avanzar en los objetivos de descarbonización. A medida que estas instalaciones se conviertan en un componente clave del ecosistema de la IA, garantizar su alineación con la transición a la energía limpia será clave para determinar si la IA contribuye o socava los objetivos globales de sostenibilidad (Pilz, Mahmood y Heim, 2025). Dos salvedades complican las estimaciones precisas de la demanda de energía impulsada por IA. En primer lugar, si bien los centros de datos actualmente alberde sostenibilidad (Pilz, Mahmood y Heim, 2025). Dos salvedades complican las estimaciones precisas de la demanda de energía impulsada por IA. En primer lugar, si bien los centros de datos actualmente albergan la mayor parte del uso de energía de IA, estos representan solo el nodo central de una huella energética creciente y distribuida a medida que la inferencia ocurre cada vez más en miles de millones de dispositivos y RECUADRO 1 – RED INTELIGENTE MEJORADA CON IA DE CHILE Chile integra de manera efectiva modelos de pronóstico renovable impulsados por IA, optimizando significativamente sus recursos de energía renovable, reduciendo las emisiones y proporcionando un modelo para la modernización sostenible de la red en la región (AIE, 2024). El Coordinador Eléctrico Nacional (CEN) se ha asociado con Tapestry, una iniciativa de IA de X (anteriormente Google X), para transformar su planificación de expansión de transmisión a largo plazo. Al incorporar la IA en el proceso de planificación anual del CEN, la herramienta permite a los planificadores simular do